如何在Polars DataFrame中按分组计算正值行的占比

嘿，这个需求用Polars的分组聚合功能就能轻松搞定，我给你一步步说明：

首先我们可以利用布尔值的特性——在数值计算中True会被当作1、False会被当作0，所以只要对每个分组的正值判断结果求平均值，就能直接得到我们要的占比啦。

直接上完整可运行的代码：

import polars as pl

df = pl.DataFrame(
    {
        "group": ["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"],
        "value": [2, -1, 3, 1, -2, 1, 2, -1, 3, 2],
    }
)

# 核心计算逻辑
result_df = df.group_by("group").agg(
    positive_percent=pl.col("value").gt(0).mean()
)

print(result_df)

代码拆解： #

• 分组操作：group_by("group") 将原始数据按group列的不同取值（A、B）拆分成独立的分组
• 正值校验：pl.col("value").gt(0) 遍历每个分组内的value元素，判断是否为正值，生成由True/False组成的序列
• 计算占比：.mean() 对布尔序列求平均值——因为布尔值在计算时会自动转换为1（True）和0（False），平均值恰好等于「组内正值数量/组内总数量」，直接得到我们需要的占比数值

运行这段代码后，输出结果完全符合你的预期：

┌───────┬──────────────────┐
│ group ┆ positive_percent │
│ ---   ┆ ---              │
│ str   ┆ f64              │
╞═══════╪══════════════════╡
│ A     ┆ 0.6              │
│ B     ┆ 0.8              │
└───────┴──────────────────┘

你看，分组A的60%、分组B的80%都精准计算出来啦！

备注：内容来源于stack exchange，提问作者Andi